論文の概要: TGRHuman: Text-Guided Realistic 3D Human Generation via Diffusion Renderer

• arxiv url: http://arxiv.org/abs/2608.12175v1
• Date: Wed, 12 Aug 2026 15:32:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-13 19:07:54.626568
• Title: TGRHuman: Text-Guided Realistic 3D Human Generation via Diffusion Renderer
• Title（参考訳）: TGRHuman:Diffusion Rendererによるテキストガイドによるリアルな3Dヒューマンジェネレーション
• Abstract要約: テキストからリアルな3D人間を生成する新しいアプローチであるTGRHumanを紹介する。 提案手法は,NeRF法でよく発生する問題を緩和するため,形状とテクスチャ生成を分離する。 TGRHumanは、テクスチャとテクスチャの質の両方において、既存のテキストから3Dの手法よりも優れている。
• 参考スコア（独自算出の注目度）: 17.595674776803495
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Realistic 3D human generation plays a crucial role in many graphics applications. However, current methods still struggle to generate high-quality human geometry and texture while maintaining 3D consistency and inference efficiency. In this work, we address these limitations by introducing TGRHuman, a novel approach for generating realistic 3D humans from text. Our method decouples geometry and texture generation to alleviate the issues commonly encountered in NeRF-based methods. Instead of relying on slow, implicit score-distillation-based optimization, we directly use explicit multi-view observation generation and optimization for efficient 3D synthesis. For geometry generation, we propose a high-resolution generative module for multi-view normals together with a geometry-carving strategy that preserves view consistency and supports loose clothing. For texture generation, we produce spatially consistent RGB observations from densely sampled surrounding views using a carefully designed texture-prior acquisition strategy and a diffusion renderer, enabling detailed human texture synthesis. Experiments show that our method can generate high-quality and consistent 3D human geometry and texture efficiently. TGRHuman outperforms existing text-to-3D human methods in both geometry and texture quality.
• Abstract（参考訳）: リアルな3Dヒューマンジェネレーションは多くのグラフィックスアプリケーションにおいて重要な役割を果たす。 しかし、現在の手法は、3次元の一貫性と推論効率を維持しながら、高品質な人間の幾何学とテクスチャを生成するのに依然として苦労している。 本研究では,テキストからリアルな3D人間を生成する新しいアプローチであるTGRHumanを導入することで,これらの制約に対処する。 提案手法は,NeRF法でよく発生する問題を緩和するため,形状とテクスチャ生成を分離する。 遅くて暗黙的なスコア蒸留に基づく最適化に頼る代わりに、明示的な多視点観察生成と最適化を直接使用して効率的な3D合成を行う。 幾何生成のための多視点正規化のための高分解能生成モジュールと、ビューの一貫性を保ち、ゆるやかな衣服をサポートする幾何学的彫刻戦略を提案する。 テクスチャ生成のために、慎重に設計されたテクスチャ優先取得戦略と拡散レンダラーを用いて、密集した周囲のビューから空間的に一貫したRGB観測を行い、詳細な人間のテクスチャ合成を可能にする。 実験の結果,本手法は高品質で一貫した3次元形状とテクスチャを効率よく生成できることがわかった。 TGRHumanは、テクスチャとテクスチャの質の両方において、既存のテキストから3Dの手法よりも優れている。

関連論文リスト

• End-to-End Fine-Tuning of 3D Texture Generation using Differentiable Rewards [8.953379216683732]
  本稿では,人間のフィードバックを3次元テクスチャパイプラインに直接埋め込む,エンドツーエンドの微分可能・強化学習不要なフレームワークを提案する。 幾何学的および外見的モジュールによる好み信号のバックプロパゲーションにより、3次元幾何学的構造を尊重し、所望の基準と整合するテクスチャを生成する。
  論文  参考訳（メタデータ） (2025-06-23T06:24:12Z)
• FAMOUS: High-Fidelity Monocular 3D Human Digitization Using View Synthesis [51.193297565630886]
  テクスチャを正確に推測することの難しさは、特に正面視画像の人物の背中のような不明瞭な領域に残る。 このテクスチャ予測の制限は、大規模で多様な3Dデータセットの不足に起因する。 本稿では,3次元デジタル化におけるテクスチャと形状予測の両立を図るために,広範囲な2次元ファッションデータセットを活用することを提案する。
  論文  参考訳（メタデータ） (2024-10-13T01:25:05Z)
• Joint2Human: High-quality 3D Human Generation via Compact Spherical Embedding of 3D Joints [8.704552731994452]
  Joint2Humanは、2次元拡散モデルを利用して詳細な3次元人間の幾何学を直接生成する新しい手法である。 提案手法は,グローバルな構造,局所的な詳細,高解像度,低計算コストを同時に確保できる。
  論文  参考訳（メタデータ） (2023-12-14T01:24:22Z)
• HumanRef: Single Image to 3D Human Generation via Reference-Guided Diffusion [53.1558345421646]
  単一ビュー入力から3次元のヒューマン生成フレームワークであるHumanRefを提案する。 生成した3Dモデルが入力画像と光写実的に整合していることを保証するため、HumanRefは参照誘導スコア蒸留サンプリングと呼ばれる新しい手法を導入した。 実験結果から,HumanRefは3D衣服を製作する上で,最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2023-11-28T17:06:28Z)
• MetaDreamer: Efficient Text-to-3D Creation With Disentangling Geometry and Texture [1.5601951993287981]
  リッチな2Dおよび3D事前知識を活用する2段階最適化アプローチであるMetaDreammerを紹介する。 第一段階では、3Dオブジェクトの多視点整合性と精度を確保するため、幾何学的表現の最適化に重点を置いている。 第2段階では、幾何学の微調整とテクスチャの最適化に集中し、より洗練された3Dオブジェクトを実現する。
  論文  参考訳（メタデータ） (2023-11-16T11:35:10Z)
• TexFusion: Synthesizing 3D Textures with Text-Guided Image Diffusion Models [77.85129451435704]
  大規模誘導画像拡散モデルを用いて3次元テクスチャを合成する手法を提案する。 具体的には、潜時拡散モデルを利用し、セット・デノナイジング・モデルと集合・デノナイジング・テキスト・マップを適用する。
  論文  参考訳（メタデータ） (2023-10-20T19:15:29Z)
• PaintHuman: Towards High-fidelity Text-to-3D Human Texturing via Denoised Score Distillation [89.09455618184239]
  テキスト・ツー・3D世代における最近の進歩は画期的なものである。 そこで我々はPaintHumanというモデルを提案し,その課題を2つの側面から解決する。 奥行きマップを手引きとして,現実的なセマンティックなテクスチャの整合性を保証する。
  論文  参考訳（メタデータ） (2023-10-14T00:37:16Z)
• GETAvatar: Generative Textured Meshes for Animatable Human Avatars [69.56959932421057]
  高品質なジオメトリとテクスチャを備えたアニマタブルな人体アバターを製作することを目的とした,3D対応フルボディヒューマンジェネレーションの課題について検討した。 アニマタブルなヒトアバターの3Dレンダリングを直接生成する生成モデルであるGETAvatarを提案する。
  論文  参考訳（メタデータ） (2023-10-04T10:30:24Z)
• HumanNorm: Learning Normal Diffusion Model for High-quality and Realistic 3D Human Generation [41.82589219009301]
  我々は,高品質でリアルな3Dヒューマンジェネレーションのための新しいアプローチであるHumanNormを提案する。 モデルの主な考え方は、正規適応拡散モデルと正規整合拡散モデルを学ぶことによって、3次元幾何学の2次元知覚を強化することである。 HumanNormは、テクスチャとテクスチャの質の両方において、既存のテキストから3Dメソッドよりも優れています。
  論文  参考訳（メタデータ） (2023-10-02T17:59:17Z)
• Guide3D: Create 3D Avatars from Text and Image Guidance [55.71306021041785]
  Guide3Dは拡散モデルに基づく3Dアバター生成のためのテキスト・画像誘導生成モデルである。 我々のフレームワークは、トポロジカルかつ構造的に正しい幾何と高分解能なテクスチャを生成する。
  論文  参考訳（メタデータ） (2023-08-18T17:55:47Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。